含不确定性析取时间网络的基于时间的动态可控性：一种图神经网络引导的树搜索方法
人工智能
2021-08-03 v1 机器学习
机器人学
摘要
由于应用广泛，不确定性下的调度是人工智能领域的一个研究热点。我们研究了含不确定性的析取时间网络（DTNU）的动态可控性（DC）问题，该问题旨在寻求一种策略，以响应不可控的动作持续时间来满足所有约束。我们为 DTNU 引入了一种比 DC 更严格、更强的可控性形式，即基于时间的动态可控性（TDC），并提出了一种树搜索方法来判断一个 DTNU 是否满足 TDC。此外，我们利用消息传递神经网络（MPNN）的学习能力作为启发式方法，为树搜索提供引导。最后，我们进行了实验，结果表明树搜索方法优于基于时间博弈自动机（TGA）的最先进方法。我们观察到，使用 MPNN 进行树搜索引导显著提高了求解性能，并增强了对更困难 DTNU 问题的可扩展性。
引用
@article{arxiv.2108.01068,
title = {Time-based Dynamic Controllability of Disjunctive Temporal Networks with Uncertainty: A Tree Search Approach with Graph Neural Network Guidance},
author = {Kevin Osanlou and Jeremy Frank and J. Benton and Andrei Bursuc and Christophe Guettier and Eric Jacopin and Tristan Cazenave},
journal= {arXiv preprint arXiv:2108.01068},
year = {2021}
}